磁共振图像分析：基于小生境微分进化与高斯变分混合的脑体素分类新方法

本文提出了一种名为VMG-NDE的创新方法，用于改善基于磁共振成像（MRI）的脑体素分类。脑体素分类在定量脑分析中扮演着重要角色，尤其是对于区分灰质、白质和脑脊液（CSF）。然而，常见的统计分类模型在处理强度不均匀性（INU）和部分体积效应（PVE）时可能表现不佳，导致分类结果不准确。VMG-NDE算法旨在解决这些问题，提高分类的准确性。 该算法主要包括四个组成部分： 1. 高斯变分混合（VMG）模型：用来描述因PVE引起的体素值变化，模拟不同组织类型的混合。 2. 小生境微分进化（NDE）：利用小数据集训练一组局部VMG模型，以减少INU的影响，避免算法陷入局部最优。 3. 利基差异进化：这是一种优化策略，用于推断每个局部VMG模型，确保全局最优解的搜索。 4. 概率脑图集构建：每个研究生成一个概率脑图集，用于在分类之前整合解剖结构信息。 在实验中，VMG-NDE算法被与变异期望最大化（VEM）、遗传算法分割、期望最大化分割（EMS）以及广泛使用的统计参数映射（SPM）和FSL软件包中的分割方法进行了比较和验证。结果显示，VMG-NDE算法在处理MRI图像的脑体素分类时表现出更高的效能和准确性。 关键词包括图像分割、磁共振成像、变分高斯混合模型、变分贝叶斯推断以及差分进化，这表明该研究集中于利用这些技术改进MRI图像处理的算法设计。 文章经过了多次修订和最终接受，于2017年6月1日在线发布。这项工作不仅为MRI脑体素分类提供了新的解决方案，还为未来在医疗影像分析领域中应用优化算法和高级统计模型提供了启示。